问题标签 [pdf-scraping]

我正在做 pdftotext -bbox file.pdf 并产生字级输出。有没有办法在字符/短语/行/块级别上输出坐标？

我很想知道 pdftotext 的 poppler 或 xpdf 版本是否可以做到这一点。

我正在使用“ pdftotext -bbox file.pdf”将pdf文件转换为HTML.

这是输出中的示例行：

有没有办法获取每个单词的字体信息，例如：

• 字体系列，例如 Verdana
• 样式，即无、粗体、斜体
• 大小，例如字体大小 9

我很想知道 pdftotext 的 poppler 或 xpdf 版本是否可以做到这一点。

我最近在实习期间开始了抓取（和一般编程），我遇到了 PDF 抓取。每次我尝试用 R 阅读扫描的 pdf 时，我都无法让它工作。我尝试使用该file.choose()功能无济于事。我是否需要更改我的目录，或者如何将 pdf 从我的文件中获取到 R 中？代码看起来像这样：

此外，使用 pdftables 将我带到这里：

我正在尝试通过单击按钮下载 pdf。但是我无法下载它，因为它在新标签中打开而不是下载它。

遵循我尝试过的解决方案，但似乎没有任何效果。请帮我 。

1）收听targetcreated，并将页面转换为pdf

did not work转换后的pdf为空白的解决方案

2) 设置标志always_open_pdf_externally: true

did not workChrome/Chromium崩溃时的解决方案always_open_pdf_externally: true

3）在页面评估中给出 print() ，并在打印预览打开时找到save按钮并单击 。

解决方案did not work，因为它打开提示询问位置以保存 pdf 并且 Puppeteer 无法访问操作系统驱动的提示

我正在尝试使用 puppeteer 抓取 pdf 文件。单击按钮后，它会导航到 pdf 文件，但 puppeteer 无法渲染或无法导航到 pdf 文档。响应为空。如果 headless 为 false，则 pdf 渲染得很好。请帮我解决它。我希望在无头为真时下载 PDF。

设置标志always_open_pdf_externally: true不起作用，因为它会使铬/铬崩溃

在 puppeteer 中，我正在尝试下载发票。当我点击下载按钮时，它会打开打印预览对话框。有没有办法从打印预览窗口保存 pdf？

打印预览中的内容与呈现的页面不同，如果是这种情况，我将使用 puppeteer 页面转换为 pdf。但内容是即时生成的并进入打印预览。

请帮我下载pdf

所以我希望做的是在 PDF 格式的建筑布局图中自动绘制办公桌位置的过程。

我与一个处理 IT 设备请求的部署团队合作。基本上，我们收到的请求包含用户名列表及其在建筑物中的位置，即楼层编号和办公桌位置编号。

我目前的例行程序是打印出每个楼层的 pdf 平面图副本，并在我根据请求低-高优先级计划当天的路线之前，用笔手动突出显示地图上的所有办公桌位置.. 这个当我们收到大量请求时可能会有点乏味 - 所以我想知道我是否可以只向 Python 提供办公桌位置列表并让它生成一个 PDF，其中所有位置已经为我突出显示 - 并且可能添加一些额外的如果可能的话，对页面发表评论:)

我有一堆 PDF 文件，我需要从中提取一些信息。“部分”有文本“Referências”，如下图所示：

我尝试了很多文本提取工具来完成这个任务，但问题是我需要字符串保持在同一行，我不知道我是否能正确解释，所以让我们看一个例子：

我不想要那个： 我想要那个：

希望你能理解，对英语的事情感到抱歉。非常感谢。

我正在尝试提取 pdf 文档（大约 250 页）中包含的所有表格。问题不在于提取。问题是识别表。使用我的算法，它也像内容一样采用垃圾数据，有时是我不想要的项目符号。我特别想要只有网格线的表格。

这在一定程度上为我过滤掉了页面，但并不完全。我只需要一个包含网格线表格的页码数组。有办法吗？

此代码读取 xlsx 文件并根据工作表编号和在特定位置（在本例中为 temp[2,1]）找到的值创建单独命名的文件。但是，由于每个文件和工作表都略有不同，因此名称不一致。

如果在工作表中的任何位置（在本例中为“vivax”）存在特定字符串，我想要一种用 TRUE 或 FALSE 命名文件的方法。所以在这种情况下：

示例文件：https ://drive.google.com/file/d/1p4HAuFl7Codine1Vvb8SzA7OHTzraaHz/view?usp=sharing